分组随机化隐私保护频繁模式挖掘
作者:
作者单位:

作者简介:

郭宇红(1979-),女,博士,副教授,主要研究领域为数据挖掘,隐私保护,信息系统.
童云海(1971-),男,博士,教授,博士生导师,CCF专业会员,主要研究领域为数据挖掘与知识发现,智能媒体发现,隐私保护.
苏燕青(1997-),男,学士,主要研究领域为网络空间安全.

通讯作者:

郭宇红,E-mail:yhguo@uir.cn

中图分类号:

TP309

基金项目:

国家自然科学基金(60403041);中央高校基本科研业务费专项资金(3262017T48,3262018T02)


Privacy Preserving Frequent Pattern Mining Based on Grouping Randomization
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (60403041); Fundamental Research Funds for the Central Universities (3262017T48, 3262018T02)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    已有的隐私保护频繁模式挖掘随机化方法不考虑隐私保护需求差异性,对所有个体运用统一的随机化参数,实施同等的保护,无法满足个体对隐私的偏好.提出基于分组随机化的隐私保护频繁模式挖掘方法(grouping-based randomization for privacy preserving frequent pattern mining,简称GR-PPFM).该方法根据不同个体的隐私保护要求进行分组,为每一组数据设置不同的隐私保护级别和与之相适应的随机化参数.在合成数据和真实数据中的实验结果表明:相对于统一单参数随机化mask,分组多参数随机化GR-PPFM不仅能够满足不同群体多样化的隐私保护需求,还能在整体隐私保护度相同情况下提高挖掘结果的准确性.

    Abstract:

    Existing randomization methods of privacy preserving frequent pattern mining use a uniform randomization parameter for all individuals, without considering the differences of privacy requirements. This equal protection cannot satisfy individual preferences for privacy. This study proposes a method of privacy preserving frequent pattern mining based on grouping randomization (referred to as GR-PPFM). In this method, individuals are grouped according to their different privacy protection requirements. Different group of data is assigned to different privacy protection level and corresponding random parameter. The experimental results of both synthetic and real- world data show that compared with the uniform single parameter randomization of mask, grouping randomization with multi parameters of GR-PPFM can not only meet the needs of different groups of diverse privacy protection, but also improve the accuracy of mining results with the same overall privacy protection.

    参考文献
    相似文献
    引证文献
引用本文

郭宇红,童云海,苏燕青.分组随机化隐私保护频繁模式挖掘.软件学报,2021,32(12):3929-3944

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2019-08-28
  • 最后修改日期:2020-04-04
  • 录用日期:
  • 在线发布日期: 2021-12-02
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号